L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2571
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Ai-je bien compris ce que vous faites ? :
1) On obtient 1 arbre.
2) chaque noeud peut donner jusqu'à 10 branches (dans l'image trouvée c'est moins, supposons 10 branches), chaque branche est générée par 1 quantum (un quantum est un morceau de prédicteur en 10% : soit en centile soit en 10% d'amplitude, selon la méthode de quantification utilisée).
3) après la première division, nous trouvons 3 quanta, qui mènent ensuite à une feuille réussie
4) les divisions suivantes trouvent d'autres bonnes divisions/quantités menant à des feuilles réussies
5) nous mémorisons les quanta réussis avant les feuilles réussies
6) nous construisons un nouvel arbre, qui utilise comme prédicteurs uniquement les quanta que nous avons sélectionnés.
Pour le faire avec la même méthode que nous avons quantifié le premier arbre, quantifier les prédicteurs avec notre script, nous obtenons 1000 prédicteurs sur 100, ils sont déjà binaires 0 ou 1. Si la valeur du prédicteur se trouve dans cette plage, elle = 1, sinon, elle = 0.
Comme nous ne sélectionnons que les chemins/quantiques réussis, toutes les valeurs des quanta sélectionnés = 1. Si tous les prédicteurs = 1, alors le nouvel arbre ne peut pas apprendre. La réponse est déjà connue.
Ou n'y a-t-il plus besoin de construire un nouvel arbre ? Simplement, si la valeur du prédicteur tombe dans un quantum choisi, allons-nous agir immédiatement ?
Je ne construis pas d'arbre du tout à la première étape, mais si nous représentons par un arbre, nous devrions construire un tel arbre qui sélectionnera toutes les plages de prédicteurs à la fois, c'est-à-dire dans chaque feuille séparément. Ensuite, évaluez chacune de ces feuilles, et si elle correspond aux critères, alors enregistrez la chaîne de scissions. Mais, je préfère 3 matrices pour l'extraction de portée/quantique - donc implémentées dans le modèle final.
En l'état, tout semble correct, nous finissons par construire le modèle plus avant sur ces feuilles sélectionnées (quanta/plages).
Pour le modèle, "1" ne signifie pas une réponse 100% correcte - la tâche du modèle est d'agréger les réponses, de construire une sorte de corrélation et de distribuer les pondérations.
La possibilité de se passer d'un modèle dépend de l'évolution de la précision des prédictions, et à partir de quel moment elle peut être rentable - certaines stratégies deviennent rentables même avec des entrées correctes à 35 %. La méthode la plus simple que j'ai essayée est d'additionner le nombre de uns (je les ai aussi regroupés) et d'attendre qu'un signal entre au seuil total.
Probablement l'utilisation du forward ou l'inclusion du temps dans les prédicteurs.
Bien sûr, le temps est dans les prédicteurs, mais il révélera une cyclicité stable, mais pas une dérive des prédicteurs.
Je ne les compare pas, je dis que les deux peuvent être "peints". Et qu'ils le fassent ou non, ni vous ni moi n'en sommes sûrs. Je pense que parfois ils dessinent et parfois ils ne dessinent pas. Et dans les moments où ils ne dessinent pas, nous pouvons gagner quelque chose.
Endehors d'Oanda et de CME , je ne sais pas. Les autres n'ont que des graphiques de prix et des volumes en tic-tac.
À l'exception d'Oanda et de CME ?
Vous comparez à nouveau !!!!
Avec le CME, j'obtiens les volumes, avec le DM, j'obtiens le sentiment.
Le CME n'a pas de sentiment
Aucun volume de DME.
ce ne sont pas les mêmes ! !! reprenez vos esprits, ayez pitié de mon clavier.... S'IL VOUS PLAÎT :)
En dehors d'Oanda et de CME ?
Vous comparez à nouveau !!!!
Avec le CME, je prends les volumes, avec le DM, je prends le sentiment.
Le CME n'a pas de sentiment.
Aucun volume de DME.
ce ne sont pas les mêmes ! !! reprenez vos esprits, ayez pitié de mon clavier.... S'IL VOUS PLAÎT :)
Encore une fois. Je ne les compare pas, je dis que les deux peuvent être "dessinés".
Et ce qu'ils ont en commun, c'est qu'ils sont les seuls à être différents de tous les autres, qui n'ont qu'un graphique de prix et des volumes en tick. Ces deux-là donnent au moins quelque chose d'autre à analyser.
Alors, quels sont les 8 autres qui donnent plus d'informations que tous les autres ? Il sera intéressant de voir.
Je ne construis pas d'arbre du tout dans la première étape, mais si vous le représentez avec un arbre, vous devez construire un arbre qui allouera toutes les plages de prédicteurs en une seule fois, c'est-à-dire dans chaque feuille séparément.Ensuite, évaluez chacune de ces feuilles, et si elle correspond aux critères, alors enregistrez la chaîne de divisions. Mais, je préfère 3 matrices pour l'extraction de portée/quantique - donc implémentées dans le modèle final.
En l'état actuel des choses, tout semble être correct, en construisant éventuellement le modèle plus avant sur ces feuilles sélectionnées (quanta/plages).
Pour le modèle, "1" ne signifie pas une réponse 100% correcte - la tâche du modèle est d'agréger les réponses, de construire une sorte de corrélation et de distribuer les pondérations.
La possibilité de se passer d'un modèle dépend de l'évolution de la précision des prédictions, et à partir de quel moment elle peut être rentable - certaines stratégies deviennent rentables même avec des entrées correctes à 35 %. La méthode la plus simple est d'additionner le nombre d'entre eux (je les ai même regroupés) et d'espérer obtenir un signal d'entrée au seuil total.
Eh bien, si vous faites un arbre, alors sélectionner uniquement les chaînes réussies et ne les utiliser qu'elles, c'est dupliquer le modèle d'arbre prêt. Utilisez simplement pour l'échange les feuilles qui donnent la probabilité de succès souhaitée, par exemple toutes les feuilles avec une classe de probabilité de 70%. Sur les feuilles dont la probabilité est inférieure à 70%, vous ne réagissez pas. Cela ressemble à ce que vous faites pour moi.
Mais tu fais quelque chose à travers des tableaux là... Alors peut-être que ce n'est pas comme ça.
Bien sûr, il y a du temps dans les prédicteurs, mais cela révélera une cyclicité soutenue, mais pas l'attente de la dérive des prédicteurs.
Je ne me suis pas exprimé correctement. Ce que l'on voulait dire, c'est que des pondérations dépendantes du temps sont ajoutées à la fonction de perte. Plus on se rapproche de la fin de la période d'apprentissage, plus on ajoute de poids. Les variantes avec et sans pondération donneront des pertes différentes, si même en moyenne (sans pondération) elles étaient les mêmes. Mais vous devez bien sûr faire des expériences.
Alors, quels sont les 8 autres qui donnent plus d'informations que tous les autres ? Il sera intéressant de voir.
Pourquoi ?
Je dois chercher 10 liens sur Google pour les coller ici, et pourquoi ?
Qu'allez-vous en faire ?
99.999% sûr que ce n'est rien, juste une perte de temps.
Je vais vous dire, il y a environ 17 D.C. Shocks qui vous donnent les positions de leurs clients.
Cherchez sur Google.
En voici un que j'ai trouvé.
le forum est allergique à certains liensEh bien, si vous faites un arbre, alors sélectionner uniquement les chaînes réussies et ne les utiliser qu'elles est une duplication du modèle d'arbre prêt. Il suffit d'utiliser pour le commerce les feuilles qui donnent la probabilité de succès souhaitée, par exemple toutes les feuilles avec une classe de probabilité de 70%. Sur les feuilles dont la probabilité est inférieure à 70%, vous ne réagissez pas. Cela ressemble à ce que vous faites pour moi.
Mais tu fais quelque chose à travers des tableaux là... donc peut-être que ce n'est pas analogue.
J'ai adopté une telle approche lors de la sélection des feuilles de l'arbre, mais là, ils utilisent la corrélation de différents prédicteurs, alors qu'ici nous parlons de la sélection d'un segment de prix d'un prédicteur à travers l'arbre - j'ai obtenu une amélioration maximale de la précision par rapport à la moyenne de 15% sur ce segment (gamme/quantité).
Je ne me suis pas exprimé correctement. Ce que l'on voulait dire, c'est que des pondérations dépendantes du temps sont ajoutées à la fonction de perte. Plus on approche de la fin de la période d'entraînement, plus on ajoute de poids. Les variantes avec et sans pondération donneront des pertes différentes, si même en moyenne (sans pondération) elles étaient les mêmes. Mais il faut bien sûr expérimenter.
Je pense qu'au début, il est nécessaire de calculer d'une manière ou d'une autre les statistiques, de voir si elles ont un sens, puis de les mettre en œuvre dans le processus de formation.
La question qui se pose est donc de savoir comment bien faire les choses.
Supposons que je dispose de 3 séquences binaires de ce type avec 10 points de mesure à des intervalles de temps correspondants.
A[]={1,0,0,1,1,1,1,1,0,1};
B[]={1,1,1,1,1,1,1,0,0,1};
C[]={1,1,0,1,1,1,0,1,0,1};
Je veux donc comprendre/tracer comment la probabilité d'une unité change lorsque les unités augmentent dans une rangée.
Je comprends que je dois compter le nombre de séquences pour commencer, mais encore une fois, dois-je compter les longues séquences comme une seule ou dois-je les compter séparément, par exemple 1111 divisé en 1,11, 111 et 1111 ou est-ce seulement 11 ?
Et ensuite, que faire - comment évaluer s'il y a un modèle ou un caractère aléatoire du processus ?
Pour quoi faire ?
Merci. Je vais y jeter un coup d'œil, pour commencer. Je trouverai peut-être quelque chose à utiliser.